Procesado de Señales e Imágenes Médicas

Laboratorio 002: Adquisición de imágenes, profundidad de Bit y Espacios de Color

PSIM

Autor/a

Ph.D. Pablo Eduardo Caicedo Rodríguez

Fecha de publicación

24 de febrero de 2026

Laboratorio 002: Adquisición de Imágenes — Profundidad de bit y espacios de color

Resultados de aprendizaje

Al finalizar, el estudiante será capaz de: 1. Explicar la relación entre la profundidad de bit $b$, los niveles representables $L=2^{b}$ y el paso de cuantización $\Delta$ en una imagen digital. 2. Adquirir y documentar imágenes bajo condiciones controladas para analizar rango dinámico, histogramas y artefactos de cuantización (banding, posterización). 3. Convertir imágenes RGB a espacios HSV, CIE L*a*b* y Y’CrCb (formato OpenCV) e interpretar la semántica de canales e histogramas. 4. Cuantizar imágenes a distintas profundidades de bit y evaluar distorsión con $\mathrm{MSE}$; discutir perceptualmente los cambios. 5. Justificar la elección de espacio de color según la tarea (robustez a iluminación, segmentación, compresión) con evidencia cualitativa y cuantitativa.

Conceptos clave (conciso)

Cuantización. Para una señal $x\in[X_{\min},X_{\max}]$, la cuantización uniforme escalar con $b$ bits tiene $L=2^{b}$ niveles y paso $\Delta=\dfrac{X_{\max}-X_{\min}}{L}$. El error de cuantización $e=x-\hat{x}\in[-\Delta/2,\Delta/2]$ (mid-tread).
Rango dinámico. En $b$ bits sin signo: $[0,\,2^{b}-1]$ (en 8 bits: $[0,255]$).
Espacios de color (OpenCV).
- BGR (lectura por defecto en OpenCV).
- HSV: cv2.COLOR_BGR2HSV (H en [0,179] para uint8).
- Lab: cv2.COLOR_BGR2LAB (uint8: $L^\*\in[0,255]$, $a^\*,b^\*\approx[0,255]$ con 128 ≈ neutro).
- YCrCb: cv2.COLOR_BGR2YCrCb (orden de cromas: Y, Cr, Cb).

Advertencia

OpenCV trabaja en BGR (no RGB) cuando lee/escribe imágenes con cv2.imread y cv2.imwrite. Para mostrar correctamente en archivos guardados, no es necesario convertir a RGB; sin embargo, documente siempre el orden de canales.

Materiales

Cámara de teléfono u ordenador. Fijar ISO, tiempo de exposición y balance de blancos. Preferir PNG/TIFF (sin pérdidas); si es posible, capturar RAW+JPEG.
Escena estática con colores saturados y neutros (p. ej., cuadrícula de color y rampa en escala de grises en un monitor). Iluminación difusa y estable.
Python 3.12 con: opencv-python y numpy. No use otras librerías de imagen/visualización.

Protocolo de adquisición (documentar en el informe)

Montaje de escena (iluminación constante). Fondo neutro; evitar brillos especulares.
Conjunto A (referencia, 8 bits sin pérdidas). Guardar una imagen nítida y bien expuesta en PNG/TIFF.
Conjunto B (bracketing de exposición). ±1 y ±2 EV respecto a la referencia para discutir recorte (clipping) vs. cuantización.

Advertencia

Mantenga fijos los parámetros de cámara entre capturas. Cambios en ISO o WB confunden los análisis de profundidad de bit y espacio de color.

Actividad 1 — Exploración inicial y chequeos

Cargar la imagen de referencia. Inspeccionar forma, dtype, mínimos/máximos usando únicamente OpenCV.
Estimar el uso efectivo de bits contando valores distintos por canal.
Cuente cuantos pixeles hay, por cada canal y nivel del canal

Actividad 2 — Reducción de profundidad de bit y calidad (MSE)

-Explique que es el error cuadrático medio (MSE, por sus siglas en inglés) y la relación señal a rudio pico (PSNR, por sus siglas en inglés), Cuantice la imagen BGR de referencia a $b\in\{1,2,\dots,7\}$ bits (por canal). Para cada $b$:

Calcule $\mathrm{MSE}$ y $\mathrm{PSNR}$ respecto a la referencia ($b=8$).
Genere y guarde la imagen cuantizada y un mapa de error visual (colormap).

Actividad 3 — Transformaciones de espacio de color y semántica de canales

Convertir la imagen de referencia a HSV, Lab y YCrCb (OpenCV).
Cuantizar solo un canal a $b\in\{2,4\}$ (mantener los otros en 8 bits), revertir a BGR y guardar resultados.
Comparar perceptualmente artefactos entre cuantizar luminancia (Y) y crominancias (Cr/Cb), y entre canales de HSV/Lab.

Entregables

Informe Latex (PDF) con:
- Protocolo de adquisición, metadatos y fotos de la escena.
- Resultados de Actividades 1–3 (figuras, histogramas, tablas).
- Tabla que resuma qué espacio/canal soporta mayor cuantización con artefactos mínimos (justifique).
- Tabla con MSE vs. $b$ (sin PSNR).
Carpeta reproducible con código e imágenes originales (preferir PNG/TIFF).

Rúbrica de evaluación para exposiciones orales (10 minutos)

Formato: 10 minutos de presentación + 2–3 minutos de preguntas. Puntuación total: 100 puntos.

Criterio	Peso	Excelente (A) (7puntos)	Bueno (B) (5puntos)	A mejorar (C) (3puntos)	Insuficiente (D/E) (0puntos)
Estructura y narrativa	15	Objetivo, método y resultados se articulan con coherencia; introducción y cierre precisos en tiempo.	Secuencia mayormente clara con leves transiciones débiles.	Orden irregular; faltan transiciones clave.	Desorganizada; propósito no se comprende.
Rigor técnico	25	Definiciones y ecuaciones ($L=2^{b}$, $\Delta$, $\mathrm{MSE}$) correctas; supuestos declarados y validados.	Menores imprecisiones sin afectar conclusiones.	Varias imprecisiones o supuestos no justificados.	Errores conceptuales graves o confusión sostenida.
Metodología y adquisición	15	Parámetros de cámara controlados; protocolo replicable; evidencia fotográfica clara.	Control adecuado con una omisión menor.	Control parcial; documentación incompleta.	Sin control de variables; documentación escasa.
Análisis y resultados	20	Comparaciones entre espacios (HSV/Lab/YCrCb) con figuras pertinentes; conclusiones sustentadas.	Análisis correcto pero poco profundo o con pocas figuras.	Análisis superficial; conclusiones poco justificadas.	Sin análisis; afirmaciones sin evidencia.
Visualización	10	Figuras legibles, ejes/leyendas correctas (en imágenes generadas con OpenCV); mapas de error bien presentados.	Visualización adecuada con detalles mejorables.	Gráficos confusos o mal rotulados.	Visualizaciones ausentes o incorrectas.
Gestión del tiempo	10	Culmina en 9–10 min; distribuye tiempo equilibradamente.	Leve desviación (±1 min).	Desviación moderada (±2 min).	Desviación severa (>±2 min) o no concluye.
Claridad y comunicación	5	Lenguaje técnico claro, voz y ritmo adecuados, contacto visual.	Generalmente claro con momentos de ambigüedad.	Dificultades frecuentes de expresión.	Incomprensible o lectura de diapositivas.

Recomendaciones de preparación (no evaluadas, pero sugeridas): - Ensayar con cronómetro (marcas en 3–6–9 min). - Limitar texto por diapositiva; priorizar comparativas claras (antes/después, por espacio y por $b$). - Anticipar dos preguntas técnicas (supuestos y limitaciones).

--- title: "Procesado de Señales e Imágenes Médicas" description: "PSIM" subtitle: "Laboratorio 002: Adquisición de imágenes, profundidad de Bit y Espacios de Color" lang: es author: "Ph.D. Pablo Eduardo Caicedo Rodríguez" date: "`r Sys.Date()`" format: html: code-tools: true code-overflow: wrap code-line-numbers: true code-copy: true fig-align: center self-contained: true theme: - simple - ../../recursos/estilos/metropolis.scss slide-number: true preview-links: auto logo: ../../recursos/imagenes/generales/Escuela_Rosario_logo.png css: ../../recursos/estilos/styles_pres.scss footer: <https://pablocaicedor.github.io/> transition: fade progress: true scrollable: true resources: - demo.pdf --- ```{r} #| echo: false #| eval: true #| output: false #| label: Loading R-Libraries # install.packages(c("DiagrammeR", "reticulate", "kableExtra", "tidyverse", "knitr", "cowplot", "ggfx")) library("DiagrammeR") library("reticulate") library("kableExtra") library("tidyverse") library("knitr") library("cowplot") library("ggfx") knitr::opts_chunk$set(echo = FALSE) def.chunk.hook <- knitr::knit_hooks$get("chunk") knitr::knit_hooks$set(chunk = function(x, options) { x <- def.chunk.hook(x, options) ifelse(options$size != "normalsize", paste0("\n \\", options$size, "\n\n", x, "\n\n \\normalsize"), x) }) ``` ```{python} #| echo: false #| eval: true #| output: false #| label: Loading Python-Libraries import numpy as np import matplotlib.pyplot as plt path_ecg="../../data" #https://developer.nvidia.com/embedded/learn/get-started-jetson-nano-devkit#write ``` # **Laboratorio 002: Adquisición de Imágenes — Profundidad de bit y espacios de color** ## **Resultados de aprendizaje** Al finalizar, el estudiante será capaz de: 1. Explicar la relación entre la profundidad de bit $b$, los niveles representables $L=2^{b}$ y el paso de cuantización $\Delta$ en una imagen digital. 2. Adquirir y documentar imágenes bajo condiciones controladas para analizar rango dinámico, histogramas y artefactos de cuantización (banding, posterización). 3. Convertir imágenes RGB a espacios HSV, CIE L\*a\*b\* y Y’CrCb (formato OpenCV) e interpretar la semántica de canales e histogramas. 4. Cuantizar imágenes a distintas profundidades de bit y evaluar distorsión con $\mathrm{MSE}$; discutir perceptualmente los cambios. 5. Justificar la elección de espacio de color según la tarea (robustez a iluminación, segmentación, compresión) con evidencia cualitativa y cuantitativa. --- ## **Conceptos clave (conciso)** - **Cuantización.** Para una señal $x\in[X_{\min},X_{\max}]$, la cuantización uniforme escalar con $b$ bits tiene $L=2^{b}$ niveles y paso $\Delta=\dfrac{X_{\max}-X_{\min}}{L}$. El error de cuantización $e=x-\hat{x}\in[-\Delta/2,\Delta/2]$ (mid-tread). - **Rango dinámico.** En $b$ bits sin signo: $[0,\,2^{b}-1]$ (en 8 bits: $[0,255]$). - **Espacios de color (OpenCV).** - **BGR** (lectura por defecto en OpenCV). - **HSV:** `cv2.COLOR_BGR2HSV` (H en [0,179] para uint8). - **Lab:** `cv2.COLOR_BGR2LAB` (uint8: $L^\*\in[0,255]$, $a^\*,b^\*\approx[0,255]$ con 128 ≈ neutro). - **YCrCb:** `cv2.COLOR_BGR2YCrCb` (orden de cromas: **Y, Cr, Cb**). > ::: {.callout-warning} > OpenCV trabaja en **BGR** (no RGB) cuando lee/escribe imágenes con `cv2.imread` y `cv2.imwrite`. Para mostrar correctamente en archivos guardados, no es necesario convertir a RGB; sin embargo, documente siempre el orden de canales. > ::: --- ## **Materiales** - Cámara de teléfono u ordenador. Fijar **ISO**, **tiempo de exposición** y **balance de blancos**. Preferir **PNG/TIFF** (sin pérdidas); si es posible, capturar **RAW+JPEG**. - Escena estática con colores saturados y neutros (p. ej., cuadrícula de color y rampa en escala de grises en un monitor). Iluminación difusa y estable. - Python 3.12 con: `opencv-python` y `numpy`. **No use** otras librerías de imagen/visualización. --- ## **Protocolo de adquisición (documentar en el informe)** 1. **Montaje de escena (iluminación constante).** Fondo neutro; evitar brillos especulares. 2. **Conjunto A (referencia, 8 bits sin pérdidas).** Guardar una imagen nítida y bien expuesta en PNG/TIFF. 3. **Conjunto B (bracketing de exposición).** ±1 y ±2 EV respecto a la referencia para discutir recorte (clipping) vs. cuantización. ::: {.callout-warning} Mantenga fijos los parámetros de cámara entre capturas. Cambios en ISO o WB confunden los análisis de profundidad de bit y espacio de color. ::: --- ## **Actividad 1 — Exploración inicial y chequeos** 1. Cargar la **imagen de referencia**. Inspeccionar forma, dtype, mínimos/máximos usando únicamente OpenCV. 2. Estimar el **uso efectivo de bits** contando valores distintos por canal. 3. Cuente cuantos pixeles hay, por cada canal y nivel del canal ```{python} #| echo: false #| eval: false import os import cv2 import numpy as np # >>> Reemplace con su ruta: path = "data/referencia.png" assert os.path.exists(path), f"No existe el archivo: {path}" img = cv2.imread(path, cv2.IMREAD_COLOR) # BGR, uint8 h, w, c = img.shape print("Shape:", (h, w, c), "dtype:", img.dtype) # Conteo de valores únicos por canal for ch, name in zip(cv2.split(img), ["B","G","R"]): uniq = np.unique(ch) print(f"{name}: valores únicos = {len(uniq)} (min={int(uniq.min())}, max={int(uniq.max())})") # Función para dibujar un histograma por canal con OpenCV (sin matplotlib) def hist_image(u8_channel, size=(512,256), color=(255,255,255)): hist = cv2.calcHist([u8_channel],[0],None,[256],[0,256]).flatten() hist = cv2.normalize(hist, None, alpha=0, beta=size[1], norm_type=cv2.NORM_MINMAX).astype(int) canvas = np.zeros((size[1], size[0], 3), dtype=np.uint8) bin_w = size[0] // 256 for x in range(1,256): cv2.line(canvas, (bin_w*(x-1), size[1]-hist[x-1]), (bin_w*x, size[1]-hist[x]), color, 1, lineType=cv2.LINE_AA) return canvas os.makedirs("figs", exist_ok=True) # Guardar también la referencia cv2.imwrite("figs/referencia.png", img) print("Guardados: figs/referencia.png, figs/hist_B.png, figs/hist_G.png, figs/hist_R.png") ``` --- ## **Actividad 2 — Reducción de profundidad de bit y calidad (MSE)** -Explique que es el error cuadrático medio (MSE, por sus siglas en inglés) y la relación señal a rudio pico (PSNR, por sus siglas en inglés), Cuantice la **imagen BGR de referencia** a $b\in\{1,2,\dots,7\}$ bits (por canal). Para cada $b$: - Calcule $\mathrm{MSE}$ y $\mathrm{PSNR}$ respecto a la referencia ($b=8$). - Genere y guarde la imagen cuantizada y un **mapa de error** visual (colormap). ```{python} #| echo: false #| eval: false import os import cv2 import numpy as np def quantize_u8(u8, b): """Cuantización uniforme por canal a b bits (uint8).""" assert u8.dtype == np.uint8 and 1 <= b <= 7 shift = 8 - b q = (u8 >> shift) << shift if shift > 0: q = np.clip(q + (1 << (shift-1)), 0, 255).astype(np.uint8) # centrar niveles return q def mse_u8(x, y): return float(np.mean((x.astype(np.float32) - y.astype(np.float32))**2)) os.makedirs("figs/quant", exist_ok=True) mse_table = [] for b in range(1, 8): qimg = quantize_u8(img, b) err = cv2.absdiff(img, qimg) # Mapa de error como calor (usar norma por pixel -> escala de grises -> colormap) err_gray = cv2.cvtColor(err, cv2.COLOR_BGR2GRAY) err_gray = cv2.normalize(err_gray, None, 0, 255, cv2.NORM_MINMAX) err_color = cv2.applyColorMap(err_gray.astype(np.uint8), cv2.COLORMAP_JET) cv2.imwrite(f"figs/quant/q_b{b}.png", qimg) cv2.imwrite(f"figs/quant/err_b{b}.png", err_color) mse_val = mse_u8(img, qimg) mse_table.append((b, mse_val)) print("MSE por bit-depth:") for b, v in mse_table: print(f"b={b}: MSE={v:.2f}") print("Imágenes guardadas en figs/quant/") ``` --- ## **Actividad 3 — Transformaciones de espacio de color y semántica de canales** 1. Convertir la imagen de referencia a **HSV**, **Lab** y **YCrCb** (OpenCV). 2. Cuantizar **solo un canal** a $b\in\{2,4\}$ (mantener los otros en 8 bits), revertir a BGR y guardar resultados. 3. Comparar perceptualmente artefactos entre cuantizar luminancia (Y) y crominancias (Cr/Cb), y entre canales de HSV/Lab. ```{python} #| echo: false #| eval: false import os import cv2 import numpy as np def quantize_channel_in_space(img_bgr, space="HSV", channel=2, b=2): if space == "HSV": sp = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2HSV) elif space == "LAB": sp = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2LAB) elif space == "YCrCb": sp = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2YCrCb) else: raise ValueError("Espacio no soportado: use 'HSV', 'LAB' o 'YCrCb'.") qsp = sp.copy() shift = 8 - b ch = qsp[..., channel] ch_q = (ch >> shift) << shift if shift > 0: ch_q = np.clip(ch_q + (1 << (shift-1)), 0, 255).astype(np.uint8) qsp[..., channel] = ch_q if space == "HSV": out = cv2.cvtColor(qsp, cv2.COLOR_HSV2BGR) elif space == "LAB": out = cv2.cvtColor(qsp, cv2.COLOR_LAB2BGR) else: # YCrCb out = cv2.cvtColor(qsp, cv2.COLOR_YCrCb2BGR) return out os.makedirs("figs/space", exist_ok=True) # Ejemplos: V@2 bits (HSV), a*@4 bits (Lab), Cb@2 bits (YCrCb: canal 2 es Cb) out_hsv_v2 = quantize_channel_in_space(img, "HSV", channel=2, b=2) # canal 2: V out_lab_a4 = quantize_channel_in_space(img, "LAB", channel=1, b=4) # canal 1: a* out_ycc_cb2 = quantize_channel_in_space(img, "YCrCb", channel=2, b=2) # canal 2: Cb cv2.imwrite("figs/space/HSV_V_b2.png", out_hsv_v2) cv2.imwrite("figs/space/LAB_a_b4.png", out_lab_a4) cv2.imwrite("figs/space/YCrCb_Cb_b2.png", out_ycc_cb2) print("Guardados ejemplos en figs/space/") ``` --- ## **Entregables** 1. **Informe Latex** (PDF) con: - Protocolo de adquisición, metadatos y fotos de la escena. - Resultados de Actividades 1–3 (figuras, histogramas, tablas). - Tabla que resuma **qué espacio/canal** soporta mayor cuantización con artefactos mínimos (justifique). - Tabla con MSE vs. $b$ (sin PSNR). 2. **Carpeta reproducible** con código e imágenes originales (preferir PNG/TIFF). --- ## **Rúbrica de evaluación para exposiciones orales (10 minutos)** **Formato:** 10 minutos de presentación + 2–3 minutos de preguntas. Puntuación total: **100 puntos**. | Criterio | Peso | Excelente (A) (7puntos) | Bueno (B) (5puntos) | A mejorar (C) (3puntos) | Insuficiente (D/E) (0puntos)| |---|---:|---|---|---|---| | **Estructura y narrativa** | 15 | Objetivo, método y resultados se articulan con coherencia; introducción y cierre precisos en tiempo. | Secuencia mayormente clara con leves transiciones débiles. | Orden irregular; faltan transiciones clave. | Desorganizada; propósito no se comprende. | | **Rigor técnico** | 25 | Definiciones y ecuaciones ($L=2^{b}$, $\Delta$, $\mathrm{MSE}$) correctas; supuestos declarados y validados. | Menores imprecisiones sin afectar conclusiones. | Varias imprecisiones o supuestos no justificados. | Errores conceptuales graves o confusión sostenida. | | **Metodología y adquisición** | 15 | Parámetros de cámara controlados; protocolo replicable; evidencia fotográfica clara. | Control adecuado con una omisión menor. | Control parcial; documentación incompleta. | Sin control de variables; documentación escasa. | | **Análisis y resultados** | 20 | Comparaciones entre espacios (HSV/Lab/YCrCb) con figuras pertinentes; conclusiones sustentadas. | Análisis correcto pero poco profundo o con pocas figuras. | Análisis superficial; conclusiones poco justificadas. | Sin análisis; afirmaciones sin evidencia. | | **Visualización** | 10 | Figuras legibles, ejes/leyendas correctas (en imágenes generadas con OpenCV); mapas de error bien presentados. | Visualización adecuada con detalles mejorables. | Gráficos confusos o mal rotulados. | Visualizaciones ausentes o incorrectas. | | **Gestión del tiempo** | 10 | Culmina en 9–10 min; distribuye tiempo equilibradamente. | Leve desviación (±1 min). | Desviación moderada (±2 min). | Desviación severa (>±2 min) o no concluye. | | **Claridad y comunicación** | 5 | Lenguaje técnico claro, voz y ritmo adecuados, contacto visual. | Generalmente claro con momentos de ambigüedad. | Dificultades frecuentes de expresión. | Incomprensible o lectura de diapositivas. | **Recomendaciones de preparación (no evaluadas, pero sugeridas):** - Ensayar con cronómetro (marcas en 3–6–9 min). - Limitar texto por diapositiva; priorizar comparativas claras (antes/después, por espacio y por $b$). - Anticipar dos preguntas técnicas (supuestos y limitaciones).